Hay una escena que se repite en cualquier reunión de negocios: alguien proyecta un tablero, muestra que la campaña A rindió 12% más que la campaña B, y todos asienten. Nadie pregunta cuántas veces se revisó el tablero antes de encontrar ese 12%, ni si las dos campañas se asignaron al azar, ni quién decidió de antemano qué contaría como éxito. Esa pregunta —la única que de verdad importa— tiene un siglo de antigüedad y nació, literalmente, de una taza de té mal servida.
Una tradición de las cuatro de la tarde
Rothamsted Research, uno de los centros de investigación agrícola más antiguos y prestigiosos del mundo, había recibido en 1906 a Winifred Brenchley, la primera científica en incorporarse a su personal. El entonces director, Sir John Russell, recordaría después que «en aquellos tiempos, nadie sabía muy bien qué hacer con una mujer trabajando en un laboratorio», así que pensaron en algo que seguramente le gustaría: tomar té. Desde el mismo día de su llegada, cada tarde, exactamente a las cuatro en punto, aparecían una bandeja de té y una lata de galletas, y los cinco miembros del personal científico —todos los que había entonces— estaban invitados a compartir la pausa.
Años más tarde, esa misma costumbre sería el escenario de otra cortesía hacia una científica. Una tarde de principios de la década de 1920, Ronald A. Fisher —matemático y biólogo— le ofreció una taza de té a Muriel Bristol, algóloga. Ella la rechazó: prefería el sabor cuando la leche se agregaba antes de echar el té, no después. «¡Tonterías! Seguro que no hay diferencia», replicó Fisher, según cuenta su hija Joan Fisher Box en la biografía que escribió de su padre.
Bristol insistió en que podía saborear la diferencia. Y entonces el químico William Roach, futuro esposo de ella, lanzó la frase que acabaría pesando más que todos los informes del centro: «Pongámosla a prueba».
El problema no era el té
Para entender por qué ese reto fue algo más que una broma de sobremesa hay que mirar el estado de la ciencia en ese momento. La cosmovisión heredada de Newton imaginaba el universo como un mecanismo de relojería: un sistema perfecto y predecible en el que, conocidas las leyes físicas y las condiciones iniciales, se podía calcular el resultado con total certeza. Cualquier desajuste se atribuía a ignorancia temporal o a «ruido».
Pero el ruido se había vuelto ensordecedor, sobre todo en agricultura, biología y medicina, donde intervienen demasiadas variables —clima, suelo, genética, azar biológico— como para encajar en fórmulas rígidas. En Rothamsted llevaban décadas midiendo rendimientos de cultivos y encontrando a menudo poco más que confusión: los mismos tratamientos, aplicados en parcelas casi idénticas, producían resultados distintos año tras año.
El reto de Bristol era, en el fondo, el mismo problema que Fisher enfrentaba a diario, en versión miniatura y con tazas: cómo saber si una diferencia observada es real o es casualidad.
Ocho tazas y setenta combinaciones
La lógica que siguieron es la que hoy sigue sosteniendo cualquier experimento serio, y basta desglosarla para verla:
- Si le daban a Bristol una sola taza y acertaba, eso no probaba nada: cualquiera tiene un 50% de posibilidades de adivinar.
- Con dos tazas, la probabilidad de escoger las correctas al azar era del 25%. Mejor, pero insuficiente para disipar dudas.
- La única manera de convencerse a sí mismos —y a cualquier escéptico— era encontrar un número de tazas que hiciera que la casualidad se volviera casi imposible.
Ese número resultó ser ocho: cuatro con la leche servida primero y cuatro con el té servido primero, presentadas en un orden aleatorio. Bristol debía señalar cuáles cuatro de las ocho tenían la leche primero. Y aquí está el detalle fino que muchas versiones de la anécdota pasan por alto: ella sabía de antemano que había cuatro de cada tipo, así que no adivinaba taza por taza, sino que elegía un grupo de cuatro entre ocho. Hay exactamente 70 formas distintas de hacer esa elección; si no tenía ningún don real y elegía al azar, su probabilidad de acertar era de una entre 70, es decir, apenas un 1,4%.
Según los relatos que recoge la BBC, Bristol identificó todas las tazas correctamente —algunos dicen que todas, otros que casi todas—, en cualquier caso las suficientes para que desde ese día ninguno de los dos volviera a ofrecerle un té mal preparado.
Lo que de verdad se fundó esa tarde
Aquí conviene ser honesto: el experimento del té no demostró que Bristol tuviera un paladar excepcional. Un solo ensayo de ocho tazas, sin repeticiones, con un resultado que las fuentes cuentan de dos maneras distintas, es evidencia frágil. Lo que sí quedó establecido fue el razonamiento, y ese es el que viajó intacto hasta nuestros días.
Tres ideas, en lenguaje llano:
- La hipótesis del «no hay nada aquí». Antes de mirar los datos hay que formular explícitamente el escenario aburrido: ella no distingue nada y responde al azar. Todo el peso de la prueba recae sobre cuán improbable es el resultado bajo ese escenario. Es la lógica de la hipótesis nula, aunque en la mesa del té nadie la llamara así.
- La aleatorización. El orden de las tazas no se decidió por conveniencia ni por cortesía: se asignó al azar. Eso es lo que impide que variables ocultas —la temperatura, el orden de la bandeja, la expectativa de quien sirve— se confundan con el efecto que se quiere medir.
- Un umbral decidido de antemano. El 1,4% se calculó antes de probar el té, no después de ver el resultado. Esa es la diferencia entre un experimento y una justificación retrospectiva.
Perspectiva propia
Lo que mantiene vigente esta anécdota no es la estadística, es la disciplina mental. La pregunta de Fisher —«¿qué probabilidad hay de ver esto si en realidad no hay nada que ver?»— es incómoda porque casi nunca tiene una respuesta limpia, y en el trabajo diario es facilísimo saltársela.
Cuando alguien mide una campaña, un cambio de precios o una nueva versión de una interfaz, el impulso natural es comparar dos números y quedarse con el más grande. Pero un tablero no aleatoriza nada: si los usuarios más activos llegaron solos a la versión nueva, o si el cambio se aplicó en una semana distinta a la del grupo de control, la comparación está contaminada y ningún decimal la va a salvar. El diseño —quién recibe qué, en qué orden, cuándo se decide el criterio de éxito— pesa mucho más que el modelo elegido después.
También hay una lección sobre el tamaño. Fisher y Roach no eligieron ocho tazas por elegancia: eligieron el mínimo que hacía la casualidad «casi imposible». Con una taza, el experimento era teatro. Con cien, era un desperdicio. Encontrar ese punto medio es la parte del trabajo que no se ve en las herramientas y que casi nunca se documenta.
Y hay una tercera, más humilde: el resultado se cuenta de dos formas. En ciencia, en negocios y en la vida, la versión que se repite suele ser la más limpia; la que ocurrió casi siempre tiene matices. Que las fuentes no coincidan en si Bristol acertó todas o casi todas las tazas no le quita valor a la historia, pero sí recuerda que conviene desconfiar de los relatos demasiado redondos.
Qué sigue
Cien años después, la lógica de las ocho tazas sostiene desde la aprobación de vacunas hasta los algoritmos que recomiendan qué comprar, pasando por cualquier prueba A/B que se precie. La tecnología cambió por completo; el razonamiento, apenas.
Para quien trabaja con datos, el ejercicio práctico es simple y aburrido: antes de lanzar un experimento, escribir la hipótesis, definir la métrica, calcular cuántas observaciones hacen falta y fijar el umbral. Después, no moverlo. Si el resultado no alcanza, se dice que no alcanzó —igual que Fisher y Roach, que esa tarde dejaron de ofrecer té mal preparado, pero no por galantería: porque ya no podían sostener que daba igual.